开源

## 这是什么？ i-have-adhd 是一个技能，可以安装到 Claude Code 和 Codex 等编程助手上。它会改变助手的回答方式：不再长篇大论，而是首先给出操作，然后列出编号步骤，最后提供一个明确的下一步。没有开场白，没有总结，没有结尾语。 ## 工作原理 该技能定义了 10条规则（在 `SKILL.md` 中）： 1. 以下一步行动开头。 2. 为多步骤任务编号。 3. 以一个具体的下一步结束。 4. 抑制跑题。 5. 每次对话重复当前状态。 6. 给出具体的时间估计。 7. 让胜利可见。 8. 就事论事地指出错误。 9. 列表不超过5项。 10. 没有开场白，没有总结，没有结束语。 技能激活后会自动应用这些规则。例如，前后对比显示助手从一大段冗长文字变成了简洁的编号列表。 ## 安装方法 ### 对于 Claude Code ```bash claude plugin marketplace add ayghri/i-have-adhd claude plugin install i-have-adhd@i-have-adhd ``` 然后输入 `/i-have-adhd` 激活。可选地创建 `~/.claude/.i-have-adhd-always` 文件让它在每次会话中自动生效。 ### 对于 Codex ```bash codex plugin marketplace add ayghri/i-have-adhd --ref main codex plugin add i-have-adhd@i-have-adhd ``` 然后输入 `$i-have-adhd` 应用风格。 ## 自定义 你可以 fork 仓库，编辑 `skills/i-have-adhd/SKILL.md`，然后使用插件命令替换成你自己的版本。这样你就可以根据自己的喜好调整规则。 ## 致谢与许可证 基于《成人ADHD工具包》改编。MIT 许可证。

## What is it? i-have-adhd is a skill you can install on coding agents like Claude Code and Codex. It rewrites how the agent responds: instead of long-winded explanations, it gives action-first, numbered steps with a clear next action. No preambles, no recaps, no closers. ## How it works The skill defines 10 rules (found in `SKILL.md`): 1. Lead with the next action. 2. Number multi-step tasks. 3. End with one concrete next step. 4. Suppress tangents. 5. Restate state every turn. 6. Specific time estimates. 7. Make wins visible. 8. Matter-of-fact errors. 9. Cap lists at 5 items. 10. No preamble. No recap. No closers. These rules are applied automatically when the skill is active. For example, a before/after comparison shows the agent going from a verbose paragraph to a concise numbered list. ## Installation ### For Claude Code ```bash claude plugin marketplace add ayghri/i-have-adhd claude plugin install i-have-adhd@i-have-adhd ``` Then type `/i-have-adhd` to activate. Optionally create `~/.claude/.i-have-adhd-always` to have it on every session. ### For Codex ```bash codex plugin marketplace add ayghri/i-have-adhd --ref main codex plugin add i-have-adhd@i-have-adhd ``` Then type `$i-have-adhd` to apply the style. ## Customization You can fork the repository, edit `skills/i-have-adhd/SKILL.md`, then swap your copy in using the plugin commands. This lets y

## OpenWork 是什么？ OpenWork 是一款免费、开源的桌面应用，专门用于共享 AI 工作流程。它是 Claude Cowork 和 Codex 的开源替代品，支持 macOS、Windows 和 Linux。核心思路很简单：你只需要创建一次工作流程（包括技能、MCP 连接和服务），然后就可以在不同的 AI 智能体、团队成员和机器之间复用。你可以使用专门的桌面应用，或者集成到已有的 AI 工具中。 ## 核心功能 - 一个 MCP，到处使用：只需在 Codex、Claude Code、Cursor 或任何兼容 MCP 的客户端中添加一个 OpenWork MCP 服务器，就能获得两个工具：`search_capabilities` 用于查找可用技能和服务，`execute_capability` 用于执行它们。添加 MCP 后，客户端会打开浏览器让你登录并选择组织。 - 桌面应用（可选）：桌面应用提供了专门的工作空间，但并非必需。你完全可以只通过已有的 AI 智能体来使用 OpenWork。 - 管理控制平面：对于组织用户，OpenWork Den 作为控制平面，可以管理访问权限、发布技能、配置模型提供商、设置桌面策略，并导入兼容 Anthropic 的插件。你可以从一处将能力分配给团队或特定人员。 - 自动安装：将一段简单提示词复制到任何能执行命令的智能体（如 Claude Code、Cursor、Codex 或 ChatGPT）中，它会自动安装 OpenWork、创建你的第一个工作空间并打开它，即可使用。 ## 架构与集成 OpenWork 使用 TypeScript 构建，桌面应用基于 Electron。远程 MCP 服务器位于 `https://api.openworklabs.com/mcp/agent`，任何 MCP 客户端都可以安全连接。对于本地开发，`pnpm dev` 是最简单的命令。若要同时运行多个 git worktree，可以使用 `pnpm dev:worktree`，它会自动分配空闲端口并默认使用模拟密钥链。 ## 如何开始 1. 下载应用：访问 [openworklabs.com/download](https://openworklabs.com/download)。 2. 添加 MCP：到你常用的智能体中添加远程 MCP 服务器，例如： - Codex：`codex mcp add openwork --url https://api.openworklabs.com/mcp/agent` - Claude Code：`claude mcp add --transport http openwork https://api.openworklabs.com/mcp/agent` - OpenCode：在 `opencode.json` 中配置远程 MCP。 - 或者直接在任意 MCP 客户端中使用相同的 URL。 3. 登录并选择组织：浏览器流程会引导你完成。 4. 开始共享技能和工作流程：在多个 AI 工具和团队成员之间复用。 ## 为什么重要 OpenWork 省去了为每个 AI 智能体单独配置的麻烦。你只需构建一次，就能到处复

## What is OpenWork? OpenWork is a free, open-source desktop app designed for sharing AI workflows. It’s an open-source alternative to Claude Cowork and Codex, and it runs on macOS, Windows, and Linux. The core idea is simple: you create a workflow once — with skills, MCPs, and connected services — and then reuse it across different AI agents, teammates, and machines. You can use it with a dedicated desktop app, or integrate it into agents you already use. ## Key Features - One MCP, Everywhere: Add a single OpenWork MCP server to Codex, Claude Code, Cursor, or any MCP-compatible client. This exposes two tools: `search_capabilities` to find available skills and services, and `execute_capability` to run them. After adding the MCP, your client opens a browser to sign in and choose your organization. - Desktop App (Optional): The desktop app provides a dedicated workspace, but you don’t have to use it. You can operate entirely from your existing AI agent. - Admin Control Plane: For organizations, OpenWork Den acts as a control plane to manage access, publish skills, configure model providers, set desktop policies, and import Anthropic-compatible plugins. You can assign capabilities to teams or specific people from one place. - Automatic Installation: Copy a simple prompt into any command-capable agent (like Claude Code, Cursor, Codex, or ChatGPT) and it will install

## 详细功能 book-to-skill 可以将任何技术书籍、文档文件夹或资料集合转化为统一的AI代理技能。生成的技能包含一系列文件，你的AI助手（如 Claude Code、GitHub Copilot CLI 或 Amp）可以按需加载。核心理念是将书籍蒸馏为结构化知识——框架、决策规则、反模式以及按章节划分的文件——而不是直接使用原始文本。 ### 生成的内容 运行 `/book-to-skill your-book.pdf` 后，会在你的代理技能目录（Copilot CLI 使用 `~/.copilot/skills/`，Amp 使用 `~/.agents/skills/`，Claude Code 使用 `~/.claude/skills/`）中创建一个技能，包含： - SKILL.md（约 4,000 tokens）：核心思维模型 + 章节索引 - **chapters/ch01-*.md（每个约 1,000 tokens）：按需加载的章节文件 -glossary.md（约 1,500 tokens）：术语表，附有章节引用 -patterns.md（约 2,000 tokens）：所有技术、算法和设计模式 -cheatsheet.md（约 1,000 tokens）：决策表和快速参考规则 章节文件按需加载——只有在你询问相关主题时才会消耗技能预算。 ### 支持的输入格式 支持PDF、EPUB、DOCX、TXT、Markdown、reStructuredText、AsciiDoc、HTML、RTF、MOBI/AZW/AZW3。对于 PDF，它会询问书籍是技术类还是文本类**，并选择最佳提取工具： - 技术类（代码、表格）→ Docling（保留 Markdown 表格和代码块） - 文本类 → pdftotext（即时完成） ### 使用方法 ```bash /book-to-skill ... [技能名称] ``` 示例： ```bash /book-to-skill ~/papers/paper1.pdf ~/notes/export.txt unified-research /book-to-skill ~/workspace/project-docs/ project-knowledge /book-to-skill "~/books/*.epub" my-library /book-to-skill ~/articles/new-paper.pdf ~/.claude/skills/project-knowledge # 更新现有技能 ``` 创建后，使用技能： ```bash /designing-data-intensive-apps # 加载核心思维模型 /designing-data-intensive-apps replication # 查找并解释主题 /designing-data-intensive-apps ch05 # 深入第5章 /designing-data-intensive-apps "what chapters do you have?" ``` ### 要求与安装 作为Agent技能安装（推荐，功

## Detailed Functionality book-to-skill transforms any technical book, document folder, or collection of sources into a unified agent skill. The generated skill is a set of files that your AI assistant (Claude Code, GitHub Copilot CLI, or Amp) can load on demand. The core idea is to distill the book into structured knowledge — frameworks, decision rules, anti-patterns, and per-chapter files — rather than dumping raw text. ### What It Generates Running `/book-to-skill your-book.pdf` creates a skill in your agent's skills directory (`~/.copilot/skills/` for Copilot CLI, `~/.agents/skills/` for Amp, `~/.claude/skills/` for Claude Code). The skill includes: - SKILL.md (~4,000 tokens): Core mental models + chapter index - **chapters/ch01-*.md(~1,000 tokens each): One file per chapter, loaded on-demand -glossary.md(~1,500 tokens): Every key term with chapter references -patterns.md(~2,000 tokens): All techniques, algorithms, and design patterns -cheatsheet.md(~1,000 tokens): Decision tables and quick-reference rules Chapter files areloaded on-demand— they don't count against the skill budget until you ask about that topic. ### Supported Input Formats The tool supportsPDF, EPUB, DOCX, TXT, Markdown, reStructuredText, AsciiDoc, HTML, RTF, MOBI/AZW/AZW3. For PDFs, it asks whether the book istechnicalortext-heavy** and chooses the

## Buzz 是什么？ Buzz 是一个 自托管 的工作空间，让人类和AI代理像队友一样协作。它基于 Nostr 协议——每条消息、反应、工作流步骤和Git事件都是 签名事件，记录在同一个日志中。这意味着无论作者是人还是代理，你都能获得相同的身份模型和审计追踪。 ## 主要功能 - 代理作为成员：像添加人一样将代理添加到频道。它们有自己的密钥、频道成员身份和审计追踪。 - 丰富的协作：频道、线程、私信、画布、带帧锚点评论的媒体以及语音会议。 - 开发工具：为功能分支创建房间——补丁、CI、审查和合并决策都在一个地方。代理可以打开仓库、发送补丁、审查代码、运行工作流以及编排其他代理。 - 全局搜索：在一个统一的索引中搜索对话、补丁、工作流运行和审批。 - YAML 工作流：通过消息、反应、计划或 Webhook 触发自动执行。 ## 架构 一个 Rust 工作空间，包含多个专注的 crate。中继是唯一的事实来源。客户端（桌面应用、CLI、AI 代理）通过 WebSocket 或 REST 连接。中继使用 Postgres 存储事件和搜索，Redis 用于发布/订阅和在线状态，S3/MinIO 用于媒体存储。 ## 快速开始 - 试用应用：从最新发布版下载 macOS、Linux 或 Windows 的打包构建。 - 从源码构建：克隆仓库，使用 Docker 和 Hermit，然后运行 `just setup && just dev`。 - 对于代理：设置 `BUZZ_PRIVATE_KEY` 并使用 `buzz-cli`（JSON 输入/输出，专为 LLM 工具调用设计）。 Buzz 不是 区块链，不是 AI 替代方案，也 没有 完成。它是一个可以超越它所替代的标签页的工作空间。

## What is Buzz? Buzz is a self-hostable workspace where humans and AI agents collaborate like teammates. It's built on the Nostr protocol—every message, reaction, workflow step, and git event is a signed event in one single log. This means you get the same identity model and audit trail whether the author is a person or an agent. ## Key Features - Agents as members: Add agents to channels just like you'd add a person. They have their own keys, channel memberships, and audit trails. - Rich collaboration: Channels, threads, DMs, canvases, media with frame-anchored comments, and voice huddles. - Dev tooling: Create rooms for feature branches—patches, CI, review, and merge decisions all in one place. Agents can open repos, send patches, review code, run workflows, and orchestrate other agents. - Search everything: Search across conversations, patches, workflow runs, and approvals in one unified index. - YAML workflows: Automate with triggers like message, reaction, schedule, or webhook. ## Architecture A Rust workspace with focused crates. The relay is the single source of truth. Clients (desktop app, CLI, AI agents) connect via WebSocket or REST. The relay uses Postgres for events and search, Redis for pub/sub and presence, and S3/MinIO for media storage. ## Getting Started - Try the app: Download a packaged build from the latest release for ma

## AirLLM 是什么？ AirLLM 是一个大幅降低大语言模型推理内存占用的 Python 库。它最亮眼的能力是：在只有4GB显存的GPU上运行700亿参数的模型，而且全程不需要量化、蒸馏或剪枝，模型保持完整精度。官方的结果更惊人：Llama 3.1 405B 仅用8GB显存，DeepSeek-V3（671B）约12GB显存，而近期开源的 2.8万亿参数 Kimi K3 模型甚至可以在不到4GB显存下运行——这得益于稀疏MoE模型只需要按token流式加载被激活的专家网络。 ## 核心技术原理 AirLLM 的核心洞察是：推理过程中不需要让整个模型常驻GPU内存。传统做法是加载完整模型，显存需求随参数量线性增长。AirLLM 则把模型按层拆开，每次只在GPU上保留一层，其余部分留在磁盘或CPU内存中。当一层计算完成后，它会被卸载，接着加载下一层。这样一来，所需显存取决于最大单层的大小，而不是模型总参数量。这种“逐层流式”加载方式，是它能在低端硬件上运行超大模型的关键。 对于 DeepSeek-V3、Kimi K3 这类稀疏MoE模型，AirLLM 进一步利用“每个token只会激活少数专家”的特点，采用 按专家流式加载，只加载实际用到的专家，显存占用又进一步降低。 ## 安装和快速上手 安装 AirLLM 非常简单： ```bash pip install airllm ``` 安装后，用类似 Hugging Face Transformers 的 API 就能加载和推理。下面是最简示例： ```python from airllm import AutoModel MAX_LENGTH = 128 model = AutoModel.from_pretrained("Qwen/Qwen3-32B") input_text = ['What is the capital of United States?'] input_tokens = model.tokenizer(input_text, return_tensors="pt", truncation=True, max_length=MAX_LENGTH) generation_output = model.generate(input_tokens['input_ids'].cuda(), max_new_tokens=20) output = model.tokenizer.decode(generation_output.sequences[0]) print(output) ``` `AutoModel.from_pretrained` 会自动检测模型类型，无需手动指定 LLaMA、Qwen 等具体类。传 Hugging Face 仓库 ID 或本地路径都行。第一次运行时会先把原始模型按层拆分保存到磁盘，所以务必留有足够磁盘空间。 ## 高级特性和配置 在初始化模型时可以设置多种配置： - compression：设为 `'4bit'` 或 `'8bit'` 开启基于块级量化的模型压缩，最多可带来3倍推理加速，且准确率损失几乎可以忽略。它和普通量化的区别在于只量化权重、不量化激活值，因此更容易保持精度。 - **pr

## What is AirLLM? AirLLM is a Python library that dramatically reduces the memory required to run large language models (LLMs) during inference. Its headline capability is running a 70-billion-parameter model on a single GPU with only 4GB of VRAM. This is achieved without any model compression such as quantization, distillation, or pruning — the model stays at full precision. The library claims even more extreme results: Llama 3.1 405B runs on just 8GB of GPU memory, DeepSeek-V3 (671B) runs on roughly 12GB, and the enormous 2.8-trillion-parameter Kimi K3 model runs on under 4GB of VRAM by exploiting the fact that sparse MoE models only need to stream the active experts. ## The Core Technology The key insight behind AirLLM is that during inference, it don't need to have the entire model resident in GPU memory. Traditional inference loads the full model, which requires VRAM proportional to the model size. AirLLM instead splits the model into layers and keeps only one layer on the GPU at a time, while the rest stays on disk or CPU memory. When a layer finishes computing, it is offloaded and the next layer is loaded. This way, the required GPU memory scales with the size of the largest single layer, not the total number of parameters. This `layer-wise streaming` approach is what allows such large models to fit on modest hardware. For sparse Mixture-of-Experts (MoE)

## 项目概述 reverse-skill 是一个面向 AI 编码代理（如 Claude Code、Codex CLI、Cursor、Cline）的网络安全技能路由包。它解决了一个关键问题：当 AI 代理遇到 APK、二进制文件、前端 JS 加密、CTF 挑战或渗透测试目标时，往往不知道该用哪个工具（jadx、apktool、Frida、IDA、Burp Suite），也不清楚完整的工作流程。这个仓库通过结构化的路由系统，将任务引导到正确的方法论、检查可用工具，并执行可重复的工作流——而不是让 AI 随意猜测命令。 ## 系统架构与工作流程 项目采用了分层路由架构。用户任务先进入 `RULES.md`，然后经过 `MASTER-ROUTING.md` / `master-route.ps1` 作为主要入口，接着通过 `case-init` 初始化案件目录（包含 scope、网络画像等）。根据场景，系统会分配具体的技能、工具或 MCP 服务器，最后生成时间线、证据链、报告和现场日志。这种设计确保 AI 在获得授权和确认范围之前不会对目标采取行动，非常适合授权渗透测试和安全研究。 ## 支持场景 仓库覆盖了广泛的安全场景，包括 APK/Android 分析、iOS/移动端逆向、二进制逆向（exe/dll/so/elf）、.NET/C#、前端 JS 逆向与加密参数、DSL VM 和自定义 JS 操作码 VM、HTTP 抓包与请求重放、恶意软件分析与 YARA、渗透测试与扫描、攻击链/红队编排、CTF 竞赛（包含 40+ 子技能）、固件/IoT 安全、补丁对比/N-day、Pwn/漏洞利用开发、EDR 绕过、API/GraphQL 安全、供应链/SBOM、LLM/AI 安全、OLLVM 反混淆、图表/报告生成等。每个场景都有专门的技能目录和文档，让 AI 代理能快速找到正确的处理方案。 ## 安装与配置 安装很简单：`git clone https://github.com/zhaoxuya520/reverse-skill.git`。克隆后，根据平台刷新工具索引：Windows 用 `powershell -File skills/scripts/refresh-tool-index.ps1`，Linux/macOS 用 `bash skills/scripts/refresh-tool-index.sh`，Kali Linux 有专门脚本。你可以查看 `skills/tool-index.md` 了解检测到的工具状态。前置依赖包括 Java/JDK、Node.js 22.12+、Python 3.x，还需要一个代码 AI 客户端（如 Claude Code 或 Cursor）。 ## 使用说明 使用时只需让 AI 代理阅读仓库，其中 README_AI.md 是 AI 代理的引导文件。`skills/MASTER-ROUTING.md` 是主要快速通道，`skills/routing.md` 提供了完整的任务到技能路由矩阵。`skills/ops/` 目录包含了操作约定（scope、证据链、角色、时间线）。AI 收到任务后，会按照这些路由文件自动选择合适的技能和工具链。 ## 贡献与许可证 项目欢迎通过 f

## Project Overview reverse-skill is a cybersecurity skills router pack designed for AI coding agents such as Claude Code, Codex CLI, Cursor, and Cline. It solves a critical problem: when an AI agent encounters an APK, a binary, frontend JavaScript encryption, a CTF challenge, or a pentesting target, it often doesn't know which tool to use (jadx, apktool, Frida, IDA, Burp Suite) or what workflow to follow. This repository provides a structured routing system that directs tasks to the right methodology, checks available tools, and executes repeatable workflows—instead of letting the AI guess commands. ## System Architecture & Workflow The project implements a layered routing architecture. A user task enters through `RULES.md`, then goes through `MASTER-ROUTING.md` / `master-route.ps1` as the primary entry point, followed by `case-init` to initialize a case directory (including scope, network profile, etc.). Based on the scenario, the system assigns specific skills, tools, or MCP servers, and finally produces a timeline, evidence chain, report, and field journal. This design ensures the AI does not act on a target until authorization and scope are confirmed, making it safe for authorized penetration testing and security research. ## Supported Scenarios The repo covers a wide array of security scenarios, including APK/Android analysis, iOS/mobile reverse engineering, b

## 课程概览 微软的 AI-For-Beginners 是一套为期12周、包含24节课的全面AI入门课程，属于微软广受欢迎的“For Beginners”系列。这个系列还有机器学习、数据科学、Web开发等课程。整个课程完全免费，在GitHub上已有超过57000颗星，社区非常活跃。课程特别强调动手实践，提供可执行的Jupyter Notebook、实验和测验。 ## 课程结构 课程分为七个主要模块： - AI简介：了解AI的历史和基本概念。 - 符号AI：探索知识表示、专家系统和本体论。 - 神经网络：从零搭建自己的神经网络框架，理解感知机，并深入深度学习基础。 - 计算机视觉：掌握图像分类、目标检测、图像分割，以及GAN等生成模型。 - 自然语言处理：理解文本表示、词嵌入、RNN、Transformer，甚至大型语言模型。 - 其他AI技术：涵盖遗传算法、强化学习和多智能体系统。 - AI伦理：讨论负责任AI原则和现实世界中的考量。 每节课都包含预读材料、可执行的Notebook（通常有PyTorch和TensorFlow两个版本），以及可选的实验任务，让你把学到的知识应用到具体问题中。 ## 核心特色 - 双框架支持：大部分课程代码都同时提供 PyTorch和TensorFlow 两个版本，你可以选择最适合自己的工具。 - 新手友好示例：仓库里有一个特别的“Hello AI World”集合，包含简单且注释详细的示例，方便零基础入门。 - 多语言翻译：README已翻译成 超过50种语言，让全球学习者都能无障碍学习。 - 交互式测验：每课都有配套测验，可在线运行或本地启动，帮助巩固知识。 - 社区支持：加入官方AI Discord服务器，和其他学习者交流并寻求帮助。 ## 安装与使用 要开始学习，你可以直接fork并克隆仓库： ```bash git clone https://github.com/microsoft/AI-For-Beginners.git ``` 如果不想下载全部翻译文件，可以使用稀疏检出功能只克隆核心文件。课程支持在 VS Code或GitHub Codespaces 中运行，每节课都有详细的环境配置说明。针对教师，还提供了专门的课程设置指南。 ## 总结 AI-For-Beginners 是任何想进入AI领域的人的绝佳资源。它结构清晰、实践性强，背后有庞大的社区支持。无论你是自学还是教学，这门课都能帮你打下坚实的AI基础。

## Overview Microsoft's AI-For-Beginners is a comprehensive, 12-week, 24-lesson curriculum designed to introduce learners to the world of Artificial Intelligence. It's part of Microsoft's popular 'For Beginners' series, which also covers Machine Learning, Data Science, and Web Development. The course is completely free and available on GitHub, with over 57,000 stars and a vibrant community. It emphasizes practical, hands-on learning with executable Jupyter Notebooks, labs, and quizzes. ## Curriculum Structure The curriculum is divided into seven main sections: - Introduction to AI – Learn the history and fundamental concepts of AI. - Symbolic AI – Explore knowledge representation, expert systems, and ontologies. - Neural Networks – Build your own neural network framework, understand perceptrons, and dive into deep learning basics. - Computer Vision – Master image classification, object detection, segmentation, and generative models like GANs. - Natural Language Processing – Understand text representation, embeddings, RNNs, Transformers, and even large language models. - Other AI Techniques – Covers genetic algorithms, reinforcement learning, and multi-agent systems. - AI Ethics – Discusses responsible AI principles and real-world considerations. Each lesson includes pre-reading material, executable notebooks (often in both PyTorch and TensorF

## 这个项目做什么 TencentDB Agent Memory 是一个 AI智能体的团队级记忆中枢。它把对话记录和项目资料提炼成四种可复用的记忆资产，而不是简单存聊天记录： - 对话记忆：保存偏好、事实、决策和交互历史，并分层整理（L0原始对话 → L1原子信息 → L2场景 → L3核心画像）。 - 技能：从对话和工具调用中提取可执行的专家经验，包含版本、资源文件、触发条件、执行步骤和校验规则。 - Wiki：把产品文档、设计文档、运维手册变成带链接图谱的结构化知识页。 - 代码图谱：索引代码中的符号、文件、调用关系和影响范围，让智能体在改代码之前先看懂改动会对哪里造成影响。 这些资产让智能体不用每次从头学，团队成员也可以共享经验，新智能体一上来就能“读取存档”。 ## 安装指南 安装过程非常轻量，只需要克隆代码、配置环境变量、运行一个启动脚本，就能一键启动全部三个服务（memory-core、memory-hub 和 proxy）： ```bash git clone https://github.com/Tencent/TencentDB-Agent-Memory.git cd TencentDB-Agent-Memory/deploy/global-images cp .env.example .env # 填写记忆组和代理组两套LLM参数 ./start-all.sh ``` 启动后打开 `http://localhost:8125` 就能看到控制台。仓库里还有更完整的安装文档（包括独立部署 Memory Hub、配合 Claude Code / CodeBuddy 使用、停止清理等），老版本用户还可以用自带的数据迁移工具升级到 v2.0.0+。 ## 团队与权限控制 Memory Hub 是一个由人控制的团队记忆面板。你可以在里面创建团队、添加智能体、分配记忆资产。资产可见性有三种：private（只有所有者能看）、team（团队成员可看）、restricted（通过用户/角色/智能体的 ACL 精确授权）。全局系统管理员负责管理用户和团队，团队级管理员/成员负责资产协作和权限控制。这样既能共享经验，又不会把隐私泄露给不该看的人。 ## 技术实现 系统重点解决三个问题：什么值得保存、谁能用、以及怎么在下次只检索最需要的内容。记忆采用 L0-L3 大分层，检索时用 BM25 + 向量检索 + RRF 混合方案，按需回退到具体事实层。所有记忆资产统一注册，通过Fixed Binding + ACL 分配给智能体，所以切换框架时只需要重新装备，不需要重新训练。文档和代码不是一次性全部注入，而是作为工具按需调用，避免挤爆上下文窗口。 ## 评测与注意事项 在 PersonaMem 基准测试上，开启 TencentDB Agent Memory 后准确率从 48% 提升到 76%，相对提升 59%。目前支持 OpenClaw、Hermes、Claude Code、CodeBuddy 和 SDK 集成。Wiki 和代码图谱是异步构建的，需要等一会儿状态才会变成 ready；代码图谱当前优先支持公开 HTTPS 仓库，私有仓库和 SSH 凭证支持还在优化

## What It Does TencentDB Agent Memory is a team-level memory hub for AI agents. Instead of treating memory as a simple chat log warehouse, it distills raw conversation and project data into four reusable asset types: - Chat Memory: preferences, facts, decisions, and interaction history, refined into layers (L0 Conversation → L1 Atom → L2 Scenario → L3 Persona). - Skill: executable expertise extracted from conversations and tool calls, with versions, resource files, trigger boundaries, execution steps, and validation rules. - Wiki: structured knowledge pages built from docs, design specs, and runbooks, complete with a link graph for easy navigation. - CodeGraph: an indexed map of code symbols, files, call relationships, and impact paths, so agents can understand and modify code safely. Together, these assets help agents avoid repetitive work, share experience across the team, and start new sessions as if they had a complete memory of previous work. ## Installation Getting started is designed to be simple. You can clone the repo and run a single script to launch all three services (memory-core, memory-hub, and proxy): ```bash git clone https://github.com/Tencent/TencentDB-Agent-Memory.git cd TencentDB-Agent-Memory/deploy/global-images cp .env.example .env # Fill in LLM parameters for memory group and proxy group ./start-all.sh ``` After that, open the pan